Použití rozhraní API pro převod textu na řeč

Dokončeno

Podobně jako rozhraní API pro převod řeči na text nabízí Azure Speech v nástroji Foundry rozhraní API pro převod textu na řeč pro syntézu řeči.

Stejně jako u rozpoznávání řeči se většina interaktivních aplikací s podporou řeči vytváří pomocí sady Azure Speech SDK.

Vzor pro implementaci syntézy řeči je podobný způsobu rozpoznávání řeči:

1. Pomocí objektu SpeechConfig zapouzdřte informace potřebné pro připojení k vašemu prostředku Azure Speech. Konkrétně jeho umístění a klíč.
2. Volitelně můžete použít AudioConfig k definování výstupního zařízení pro syntetizaci řeči. Ve výchozím nastavení se jedná o výchozí systémový reproduktor, ale můžete také zadat zvukový soubor nebo explicitně nastavit tuto hodnotu na hodnotu null, můžete zpracovat objekt zvukového streamu, který se vrátí přímo.
3. K vytvoření objektu SpeechSynthesizer použijte SpeechConfig a AudioConfig. Tento objekt je proxy klient pro rozhraní API pro převod textu na řeč .
4. K volání základních funkcí rozhraní API použijte metody objektu SpeechSynthesizer . Například metoda SpeakTextAsync() používá službu Azure Speech k převodu textu na mluvený zvuk.
5. Zpracujte odpověď ze služby Azure Speech. V případě SpeakTextAsync metoda je výsledkem SpeechSynthesisResult objekt, který obsahuje následující vlastnosti:
   • AudioData
   • Vlastnosti
   • Důvod
   • Identifikátor výsledku

Pokud byla řeč úspěšně syntetizována, je vlastnost Reason nastavena na SynthesizingAudioCompleted výčtu a AudioData vlastnost obsahuje zvukový stream (který v závislosti na AudioConfig může být automaticky odeslán do reproduktoru nebo souboru).

Příklad – syntetizace textu jako řeči

Následující příklad Pythonu používá Azure Speech in Foundry Tools k vygenerování mluveného výstupu z textu.

import azure.cognitiveservices.speech as speechsdk

# Speech config encapsulates the connection to the resource
speech_config = speechsdk.SpeechConfig(subscription=KEY, endpoint=ENDPOINT)

# Audio output config determines where to send the audio stream (defaults to speaker)
audio_config = speechsdk.audio.AudioOutputConfig(use_default_speaker=True)

# Use speech synthesizer to synthesize text as speech
speech_synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config,
                                                 audio_config=audio_config)
text = "My voice is my password!"
speech_synthesis_result = speech_synthesizer.speak_text_async(text).get()

# Did it succeeed?
if speech_synthesis_result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted:
    # Yes!
    print("Speech synthesized for text [{}]".format(text))
elif speech_synthesis_result.reason == speechsdk.ResultReason.Canceled:
    # No - Ty to find out why not
    cancellation_details = speech_synthesis_result.cancellation_details
    print("Speech synthesis canceled: {}".format(cancellation_details.reason))
    if cancellation_details.reason == speechsdk.CancellationReason.Error:
        if cancellation_details.error_details:
            print("Error details: {}".format(cancellation_details.error_details))